-报告摘要
1、光通信逻辑持续演绎，AIGC发展催生海量算力需求。AGI爆发式增长的背景下，大模型复杂度日益提升，AI训练推理过程中对算力的需求也随之增加，百万卡超大规模GPU集群网络成为趋势；加之“以太网”成为网络连接新选择，催生海量的高端以太网交换机以及高速率云厂商光模块的需求。伴随英伟达H200提前发布，下游1.6T需求已提前释放，光模块速率有望于2024年底全面进入TB时代，以CPO为代表的封装侧新技术路径和以硅光为代表的材料侧创新将伴随1.6T的落地而加速发展。
2、海外算力军备竞赛未曾停歇，国产算力迅速崛起，有望迎来海内外算力双加速。海外云巨头持续投资AI，capex指引向AI算力倾斜，垂类大模型由“微调”加速跃迁至“预训练”，算力需求进一步增长。国内企业占据光模块领域主要市场份额，并加快布局1.6T光模块新市场；头部公司持续发力芯片业务，催生以太网交换机和云厂商光模块需求，并带动算力调优、液冷散热等环节供需缺口，有望实现国产算力产业链多环节同步受益。
3、AIGC加速落地应用，边缘计算曙光已现。“基础模型”+“低成本定制工具”+“模型优化工具”，AI走向边缘的“基建雏形”初步形成。“生成式”AI在边缘应用侧的两大应用方向，即基于生成式模型的“智能助理”及具身智能，带来边缘算力需求的持续扩张。
1、指数聚焦AI主题股票。中证人工智能主题指数选取为人工智能提供基础资源、技术以及应用支持的公司中选取代表性公司作为样本股，反映人工智能主题公司的整体表现。
2、指数具有较高的配置价值。指数在TMT、科技龙头等概念上的暴露较高，主题特征鲜明。指数当前PE和PB估值处于历史较低水平，具备较高的投资性价比；盈利能力突出，预期指数未来盈利高速增长。
华夏中证人工智能ETF基金投资价值分析：
1、华夏中证人工智能ETF（简称：人工智能AIETF，基金代码：515070）。基金紧密跟踪标的指数，追求跟踪偏离度和跟踪误差最小化。
2、基金管理人为华夏基金管理有限公司，其管理规模持续行业领先，各类产品线齐全。
一、光模块与交换机：驱动AGI时代算力提升的核心引擎
1.1 光模块、交换机系数字基建的焦点，组网算力的核心
光模块、交换机系光通信产业链关键组件，是长距离、高速数据传输的基础。光通信产业链涵盖多个环节，可简要分为上中下游，其中上游主要是核心零部件环节包括光芯片、光学元件、电芯片，中游可以分为光器件、光模块，下游按照应用场景可以分为电信市场和数通市场。光模块是光通信系统中的关键组件，负责光信号和电信号之间的转换，它们被安装在网络设备如交换机和路由器中，以实现长距离、高速数据传输，共同支持通信网络的高效运行。
1.1.1 光通信逻辑持续演绎，AICG发展催生海量算力需求
AGI爆发下算力成为全球数字基建焦点，拉动光模块、交换机迭代升级。在近年来AGI爆发式增长的背景下，大模型复杂度日益提升，AI训练推理过程中对算力的需求也随之增加，算力成为全球数字基础设施建设的焦点。由于单卡GPU显存有限，无法满足训练推理需求，需要联合多张GPU甚至多台服务器协同工作，分布式训练成为核心训练方式，百万卡超大规模GPU集群网络成为趋势，对通信网络而言构成全新的大规模增量市场，将会催生海量的高端以太网交换机以及高速率云厂商光模块的需求。
800G/1.6T后，光模块速率全面进入TB时代。大模型训练将对算力的需求提升至新高度，当今的AI训练推理亟需超大内存来承载千亿参数量、TB级别大小的大模型，内存性能也顺理成章成为AI算力的瓶颈所在。从100G时代开始，光模块以4-5年一个代际的速度迭代升级，2018-2022年为400G周期，随后2023年开启800G周期；英伟达H200提前发布，下游1.6T需求已提前释放，整个技术路线的迭代随之加速，800G-1.6T周期较以往缩短至3年左右，有望于2025年前全面开启“TB”时代。
网络连接进一步“以太网”，下游需求持续扩大。光通信与网络架构密切相关，网络架构是指网络系统中各个组件和子系统之间的结构和组织方式，决定了数据在网络中的传输方式、管理方式以及网络整体的性能和可靠性；不同的网络架构对光通信具备不同的需求，包括传输速率、带宽要求、传输距离、技术标准、通信协议、部署环境等。英伟达过去大力发展高带宽、低时延、高可靠性和高可扩展的InfiniBand（IB）网络，布局高密度训练集群场景，但是溢价较高，用户往往需要付出更多的隐形组网成本。以太网（Ethernet）的多节点显卡，面对AI放量期的海量推理需求至关重要，也是推理侧优选的网络架构，2023年5月英伟达进军以太网，发布了基于以太网的spectrum-x下一代以太网交换机，并且据The next platform报道英伟达已经加入超以太网联盟。以太网连接下的算力放量的核心条件是，大量AI推理需求，AI小规模训练与开发需求通过公有云的形式与算力硬件进行对接。百万节点则代表了单个AI公有云的硬件设施，需要百万张显卡来满足无数用户的需求。以太网的繁荣，代表了AI与算力的繁荣。
CPO加速推动硅光加速，共振引领光通信走向代际更替。光通信行业成长空间并不止于“眼前”，以CPO为代表的封装侧新技术路径和以硅光为代表的材料侧创新将伴随1.6T的落地而加速发展。在封装侧，目前主流的200G/400G/800G的产品都是基于PAM4技术+DSP芯片来实现高速信号的调制、传输和恢复，但其具有更高的功耗和成本；CPO（Co-packaged Optics）是一种在数据中心光互连领域应用的光电共封装方案，通过将光模块与交换芯片进行共封装，可以实现高集成度、低功耗、低成本、小体积，未来有望逐步替代传统的可插拔光模块。
在材料侧，硅光技术是一种利用硅材料的光学和电学特性来实现光学器件的制造和集成的技术，相较传统光模块，硅光技术成本、能耗、体积更低。CPO技术缩短了光学引擎和交换芯片的连接距离，从而降低传输损耗，速度与质量双提升，除了硅光的制造工艺，光模块的封装技术与硅光落地难度密切相关，共封装技术进一步降低了硅光单片集成的难度，未来两者有望形成良性循环，将光通信从800G/1.6T时代加速引向硅光时代。
1.1.2 海外AI算力发展节奏快速，国内供需均有望超预期
海外云巨头持续投资AI，算力军备竞赛未曾停歇。近几周各大云厂商陆续发布财报，从北美云厂商capex及未来指引来看，海外AI发展节奏高涨，景气趋势持续加速，算力需求持续增加。
·英伟达：25Q2数据中心实现263亿美元营收，同比增长154%，环比增长16%，增长态势的维持显示下游需求仍然较高，客户算力投资保持高位；Spectrum-X人工智能以太网和NVIDIA AI Enterprise软件取得显著成功，云服务提供商、GPU云提供商和企业以及合作伙伴广泛采用NVIDIA Spectrum-X以太网网络平台并将其纳入其产品中。
·亚马逊：24Q2资本开支176.2亿美元，同比增长53.8%，环比增长18.1%；同时公司指引，鉴于来自AWS客户的需求强劲增长（其中大多包含生成式AI组件），下半年公司资本支出将持续增加，且capex大部分是用于支持技术基础设施建设，特别是用于支持AWS业务增长的投入；此外，公司在法说会强调投资AI回报强劲，未来也将着眼长远、坚定投资AI算力。
·Meta：截至24Q4资本开支为85亿美元，较上一季度的67亿美元提升26.87%（资本支出以法说会口径为准）；资本开支仍向AI倾斜，大量投资基础设置以提供算力支持，增强用户体验；上调资本开支指引，预计24年全年资本支出370-400亿美元，此前口径为350-400亿美元，下限有所上调。
·微软：截至24Q2资本开支为190亿美元，较上一季度的140亿美元提升35.71%（资本支出以法说会口径为准）。资本开支仍向AI倾斜，财报明确指出，资本开支技术全部由云产品和算力投资构成，其中一半用于基础设施需求，另外一半用于服务器购置；资本开支指引增加，公司明确指引鉴于云和人工智能需求，资本支出将逐季增加。
海外垂类大模型由“微调”加速跃迁至“预训练”，算力需求迎来新增长点。预训练（Pre-training）是指在一个大型的数据集上训练一个模型，通常不针对特定的下游任务，适用于建立一个强大的语言模型基础用于如文本生成、翻译、问答等，预训练在大规模数据集上进行，通常需要大量的计算资源，数据量通常在数百GB甚至TB级别，模型的参数量往往非常庞大（如数亿至数千亿参数）。微调（Fine-tuning）是在预训练模型的基础上，针对特定的下游任务进行额外的训练，适用于需要高精度处理特定任务或特定领域的场景，如医学文本分析、法律文书处理、客户服务对话等，相比预训练，微调的计算需求相对较低。垂类大模型面临的微调困境主要体现在以下方面：
理论与现实的差距较大，垂类行业的专业性和门槛较高：理论上垂类大模型仅需在开源模型的基础上进行微调，但实际应用效果欠佳，主要还是因为领域知识具备较高的复杂性（垂类领域独特的术语和概念在通用模型的预训练数据中并不常见）、数据质量与覆盖度（微调数据集不够全面或质量不高）、任务复杂性（如医药或金融行业，不仅需要广泛的知识，还涉及到复杂的推理、逻辑以及高精度的预测能力，通用大模型难以具备）等。
前期处于算力资源考量，率先尝试微调，忽略效果：预训练需要消耗大量的算力资源和时间，成本通常较高，因此很多团队会优先尝试微调，实际应用后如果微调后发现模型性能未能达到业务需求，团队会投入更多资源进行预训练。
定制化需求无法满足：部分垂类行业需要高度定制化的模型，在通用模型基础上的微调无法实现。
近期，垂类行业参与者纷纷重金投资各自大模型，底层参数量庞大，专业性较通用大模型更强。据AI Business报道，医疗保健公司Hippocratic于2024年3月融资5300万美元用于进一步开发，其专注于医疗保健底层模型架构Polaris的大小为1万亿个参数，与 OpenAI的ChatGPT等通用系统相比，其设计更加专业；人工智能金融科技公司 Aveni于2024年7月融资1400万美元用于开发专为金融服务定制的AI产品和大语言模型，医疗保健AI公司Corti.ai 2023年9月宣布完成6000万美元的B轮融资将用于继续扩展其在公共安全领域的人工智能能力，其通过临床证据、评审研究等专业数据已打造出一款专注于文本和音频数据的顶级医疗AI。
国产算力崛起，国际竞争力持续提升。从供给侧看，中国企业是全球光通信产业的重要一极，尤其是光模块领域迅速追赶，已经占到全球50%的份额。整体来看，在800G领域，中国光模块供应商已经走在业界前列；在2023年第48届OFC展会中200G相关光电芯片产品的亮相，也使得1.6T可插拔光模块的竞争力进一步增加。在1.6T光模块需求趋势明确的背景下，国内光模块厂商加快布局新市场，部分国内厂商已有1.6T光模块新产品落地。从需求侧看，随着华为、寒武纪等头部公司持续发力芯片业务，国产芯片落地进程有望加速，带动芯片使用量提升，催生以太网交换机和云厂商光模块需求，并带动算力调优、液冷散热等环节供需缺口，实现国产算力产业链多环节同步受益。未来，受益于较高的行业进入壁垒和较高的下游云厂商粘性，预计光通信格局保持稳固，国内头部厂商将持续享有较高的议价能力和盈利能力。
1.2AICG从“训”到“用”，边缘计算曙光已现
自2022年末OpenAI推出首个语言大模型始，全球迎来大模型百花齐放的黄金发展期，国内也开启“百模大战”，如今AI发展已经过近2年的沉淀，步入新的阶段。我们认为，AIGC的发展正呈现出从“训”到“用”的趋势——从发展初期的主题概念进展到目前的摸清各行业需求痛点，从发展加速期的“百模大战”到目前的竞争格局初步稳态，AIGC正在从一项“技术/研发”转变为真正的“应用”。
1.2.1模型由大到小，AI走上应用的快速路
“基础模型”+“低成本定制工具”+“模型优化工具”，AI走向边缘的“基建雏形”初步形成。GPT-4的发布标志大语言模型正式迈入了多模态时代，万物搭载模型，模型赋能万物的时代正在加速到来。在此背景下，一方面，开源社区、前沿学者正在不断加速模型的可用性，以及边缘推理的探索；另一方面，越来越多的大厂也加入到布局边缘模型的新一轮“军备竞赛”中来，一个由“基础模型”，“低成本定制工具”，“模型优化工具”三者共同构建的边缘模型生产与利用体系将会飞速发展。
MLC-LLM解决方案：低成本搭建小模型，推动模型赋能万物。知名华人AI研究者陈天奇牵头开发的MLC-LLM解决方案，可为用户在各类硬件上原生部署任意大型语言模型提供了解决方案，将大模型应用于移动端（例如iPhone）、消费级电脑端（例如Mac）和Web浏览器。MLC的主要功能包括了：（1）支持不同型号的CPU、GPU以及其他可能的协处理器和加速器。（2）部署在用户设备的本地环境中，这些环境可能没有python或其他可用的必要依赖项；通过仔细规划分配和积极压缩模型参数来解决内存限制。（3）MLC-LLM提供可重复、系统化和可定制的工作流，使开发人员和AI系统研究人员能够以Python优先的方法实现模型并进行优化。MLC-LLM可以让研究人员们快速试验新模型、新想法和新的编译器pass，并进行本地部署。
硬件赋能，AIGC在边缘端的革命进一步加速。2023年2月，高通演示了10亿参数规模的Stable Diffusion，6月完成了在终端运行参数量更大的图生图模型ControlNet。在2023骁龙峰会上，高通推出新一代旗舰移动芯片骁龙8Gen3、旗舰PC芯片骁龙X Elite和音频芯片S7系列。其中骁龙8Gen3专为AIGC定制，与前代相比，其AI性能提升98%，支持本地运行100亿参数的大模型；骁龙X Elite AI处理速度达到竞品的4.5倍，异构AI引擎性能达75 TOPS，支持本地运行130亿参数的大模型。本次发布的骁龙8Gen3进一步为边缘端大模型优化，不到1秒就能使用Stable Diffusion生成1张图像，在运行70亿参数的大语言模型时，每秒可以生成20个Token，超过了人类阅读的速度。我们认为，云端协同的“混合AI”路线有望帮助移动端AI应用成长为“完全体”，手机进行内容输出的效率远低于PC，但未来在本地运行的AI加持下，用户得以将少量的输入转化为大量输出，这便是混合AI的重要意义之一。
“本地运行AIGC”有望成为智能手机、PC的新卖点。AI能力近年始终作为智能手机的辅助功能，常用于广告算法、应用推荐、照片标记等不痛不痒的后台能力。当下随着终端芯片足以支持本地大模型快速处理Token，AI能力有望走向台前，和用户直接交互并生成内容。本地推理大模型在成本、时延、隐私上具有天然优势，也可以作为桥梁，预处理海量复杂Token，并将其导向云端大模型，搭载AI能力的终端芯片，作为AI触及万千场景的血管地位加速明晰。消费电子近年来始终存在创新困局，而混合AI的出现，有望创造新的使用场景从而刺激终端换机。
英特尔发布酷睿Ultra处理器，开启AIPC新纪元。AIPC集成了AI应用加速NPU单元，可以方便地让用户通过大模型进行新的交互并有效地提高日常办公的效率和质量，同时也在有望PC上部署专业的边缘AI模型进行本地化AI创作，AIPC有望彻底改变PC用户的使用习惯和场景，也改变了PC产业的发展未来，PC由个人计算终端升级成了个人AI应用中心。
1.2.2 应用曙光已现，期待AI飞轮下的百花齐放
当下市场以及投资者关注的应用方向，主要集中于基于云端算力的如ChatGPT，Midjourney，Copilot等等，但 AI在边缘侧的应用由来已久，其中最典型的案例便是如人脸识别、图像处理等分析式AI功能。而我们认为，真正能够让边缘算力需求扩张，或者打开边缘AI天花板的“生成式”AI，则是下一阶段乃至未来需要在边缘应用侧更加关注的重点。在“生成式”AI在边缘设备的部署上，各个大厂的先期产品和布局让我们看到了“生成式”走进边缘的路径和初步方案，可谓曙光已现；其中边缘算力将在其中发挥不可或缺作用的应用方向有二：
边缘应用方向1：基于生成式模型的“智能助理”
智能助理这一概念，最早火爆，是伴随“Siri”的推出，消费者第一次系统性的认识到了基于语音唤醒的智能助理这一概念。然而随着多年发展，这一形式的智能助理除了搭载平台扩充到了如车机、智能音响、扫地机器人等平台外，其本质内核仍然没有改变，依旧是基于对语音输入关键词的截取，在功能库中寻找对应的功能。并不具备主动生成的能力。
AI Agent（人工智能体）在大模型快速发展的驱动下进入加速成长期。诸如GPT等LLM应用在更新信息、处理多轮对话和面对复杂任务时依然存在局限，AI Agent通过增加规划、记忆和工具使用三大能力克服了这些局限，极大扩展了大语言模型的应用范围，使其能够胜任更加复杂的任务，这为AI Agent扮演人类日常生活的“助理”提供了可能。
汽车是AI Agent最具潜力的应用场景之一。车主在驾驶时，需要既快又准地对汽车进行操作，在座舱还未智能化的时代，这种操作依靠机械按钮、操作杆进行，而未来的人车交互愈发向中控屏幕集中，传统的操作习惯就需要改变。而AIAgent的能力则贴合了这种需求：快速响应、准确理解命令和无手操作，而AI赋予的智能化可以将Agent的能力进一步外延，这些抽象的能力具象到应用场景中，可以将AI Agent的能力总结为5个层次：辅助操作、车身数据采集&可视化、汽车服务（导航、保养、保险等）、生活助理、具身智能。
此外，我们观察到了海外爆火的应用“Rewind”，通过记录笔记本电脑的屏幕输出信号与麦克风信号，并形成数据库，最后基于这些数据库与自有模型，帮助用户回忆，总结在电脑上看到的，处理过的所有资料，大大提高了用户的工作效率。
基于两点应用方向和现在出现的应用趋势，我们判断，边缘算力将在“智能助理”类应用的发展和商业化上起到重要作用，第一，智能助理面对的是海量用户，这些用户所提出的Prompt将是及其复杂或者存在非常多的冗余，如何通过本地小模型，对用户的需求进行预处理，从而将需要云端算力处理的Token将至最低，甚至对于不复杂的推理需求，可以通过本地算力直接响应客户需求。第二，对于像“Rewind”、汽车智能座舱这类涉及到用户隐私资料的部分，为了保证用户安全，所有的数据归纳将会完全依靠本地算力进行。因此，在降本，隐私方面，边缘算力对于“生成式智能助理”能否形成商业闭环，至关重要。
边缘应用方向2：具身智能
具身智能是指能够理解、推理并与物理世界互动的智能系统。AIGC的“智能”表现在能够进行上下文理解和情景感知，输出文字、图像、声音，而具身智能能够在物理世界中进行操作和感知，输出各种机械动作。通过物理环境的感知和实际操作，具身智能可以获得更全面的信息和数据，进一步提高对环境的理解和决策能力。按照具身智能的定义，目前具身智能的实例繁多，其中包括人形机器人、自动驾驶汽车等。
基于现在具身智能展现出的能力，我们认为，具身智能的两大核心是负责算力的芯片和与外部通信的模组。当前物联网模组进入智能化时代，集成了边缘算力的智能模组正在逐渐成为支撑边缘算力的核心形式。具身智能将边缘算力需求提升到了一个新高度，具身智能的“大脑”不仅要处理视觉信息、生成提示词，更要负责输出指令来执行机械动作，例如特斯拉针对人形机器人开发了DOJO D1芯片，充沛的算力（362 TFLPOS@FP8）驱动Optimus机器人流畅地执行各种任务。因此我们认为，在移动芯片无法满足所需算力的场景下，边缘IDC将是算力的有效补充措施。
此外，通信能力也是决定机器人能力的核心。具身智能的通信强调低时延、多连接、连续性能力，例如自动驾驶汽车上，L4级别需要带宽>100 Mbps，时延5-10ms。具身智能未来也有望进化成结构复杂、体型庞大或者多点分布的产品，各子模块之间需要信息融合、多维感知、协同运行，本身也会需要稳定高速的无线连接。我们认为，未来具身智能将会越来越强调边缘通信能力与边缘算力的匹配和耦合，而两者结合的较佳形式，算力模组，将有望成为具身智能的“大脑”。
站在当前时点，我们认为，除了已经日趋成熟的基于传统分析式人工智能的边缘算力应用场景，我们更应该关注到生成式AI在边缘渗透的“曙光”已经出现。未来，越来越多像智能助理、具身智能一样拥有广阔空间的新应用将会涌现，带动边缘算力实现跨越式发展。
二、中证人工智能指数投资价值分析
2.1 指数编制规则：聚焦AI主题股票
指数简介：中证人工智能主题指数选取为人工智能提供基础资源、技术以及应用支持的公司中选取代表性公司作为样本股，反映人工智能主题公司的整体表现。
2.2 指数成分股：精选人工智能的龙头股
中证人工智能主题指数重仓股紧扣AI主题，科技龙头属性高。从指数前十大成分股来看，截至2024年9月18日，指数前十大权重累计占比53.57%，集中度较高，主要聚焦于AI相关产业的科技龙头。例如指数前三大成分股分别为安防行业龙头股海康威视、网络接配及塔设龙头股中际旭创、集成电路龙头股韦尔股份。
从指数成分股行业分布来看，主要布局计算机、电子相关行业。截至2024年9月18日，指数成分股涉及7个中信一级行业，主要以计算机、电子、通信等行业为主，这3个行业累计权重占比达到88.14%。从中信三级行业来看，指数成分股主要集中于集成电路、网络接配及塔设、通用计算机设备、安防、行业应用软件、新兴计算机软件、云基础设施服务等行业，这几个行业权重均超过5%，累计权重占比达到79.47%。
从成分股市值分布来看，指数成分股市值分布均衡。从具体成分股的市值分布来看，指数在各个市值区间均衡配置，其中市值为1000亿以上的成分股累计权重为22.71%，市值500亿到1000亿之间的成分股累计权重占比达35.05%，市值200亿到500亿之间的成分股累计权重占比达24.62%，总市值在200亿以下的成分股累计权重占比为17.62%。因此整体而言，指数在大、中、小市值风格上均衡配置，市值分布较均衡。
从指数成分股涉及概念来看，中证人工智能主题指数在TMT、科技龙头等概念上的暴露较高，主题特征鲜明。从具体相关概念来看，指数在TMT、科技龙头、5G应用等概念的暴露度分别为91.53%、89.76%、66.52%。而且指数在基金重仓、成交主力等概念也有较高的暴露度。由此可见，指数成分股具备鲜明的AI主题特征，同时具备较好的流动性。
2.3 指数估值盈利：估值处于低位，盈利预期高增
中证人工智能主题指数当前估值处于低位，具备较高的投资性价比。不论是从PE估值还是PB估值来看，中证人工智能主题指数的估值水平都不高，处于历史较低水平，所以指数继续向下杀估值的空间比较小、向上修复的空间比较大。
中证人工智能主题指数的盈利能力突出，预期指数未来盈利高速增长。从指数的万得一致预期来看，中证人工智能主题指数2024、2025、2026年预期营业收入分别为8018、8894、10260亿元，同比增速分别为22.89%、10.92%、15.37%；预期2024、2025、2026年归母净利润分别为627、840、1037亿元，同比增速分别为43.75%、33.87%、23.55%。因此，中证人工智能主题指数的盈利能力突出，预期指数未来营收与归母净利润的增速较高，成长性可期。
三、华夏中证人工智能ETF基金投资价值分析
3.1 基金的基本信息
华夏中证人工智能ETF（简称：人工智能AIETF，基金代码：515070）。基金成立于2019年12月9日，基金投资目标是紧密跟踪标的指数，追求跟踪偏离度和跟踪误差最小化。本基金力争日均跟踪偏离度的绝对值不超过0.2%，年跟踪误差不超过2%。
华夏中证人工智能ETF基金由李俊先生管理，基金经理具备丰富的被动产品投资管理经验。目前李俊先生在管产品大多属于被动指数型产品，在管总规模大约283.73亿元，拥有丰富的被动产品管理经验。
3.2 基金管理人：规模持续行业领先，各类产品线齐全
华夏基金规模持续处于行业领先，产品线齐全。华夏基金成立于1998年4月9日，是境内最早成立的公募基金管理人之一，拥有丰富的资产管理经验，管理规模持续行业领先。华夏基金总部设在北京，在北京、上海、南京、杭州、广州、深圳和成都设有分公司，在香港设有子公司。截至2023年底，华夏基金管理资产规模超1.89万亿是境内最大的基金管理公司之一。华夏基金资产类别齐全，依托以资产配置为核心、全品类覆盖的投研体系，华夏基金持续升级和完善公募产品线，基于多元资产研究和多元客户需求，围绕 固定收益、主动权益、量化、混合资产、跨境、另类六大类策略，致力于为机构客户提供综合解决方案+细分资产策略选择。
本报告从历史统计的角度对特定基金产品进行客观分析，当市场环境或者基金投资策略发生变化时，不能保证统计结论的未来延续性。本报告不构成对基金产品的推荐建议。行业风险：AIGC发展不及预期。AI推动中心算力、边缘算力和电信网络升级。若AI发展不及预期，将影响上述产业发展。
林志朋 S0680518100004 linzhipeng@gszq.com
石瑜捷 S0680523070001 shiyujie@gszq.com
张国安 S0680122060011 zhangguoan@gszq.com
刘富兵 S0680518030007 liufubing@gszq.com
